工銀國際首席經濟學家、董事總經理 程實

「初景革緒風，新陽改故陰。」DeepSeek的出現，不僅為AI的發展提供了更多技術路徑的選擇，也為行業應用的多樣化奠定了基礎，使人工智能走出了「規模至上」、過去單一路徑的局限，進而拓展了邁向更廣闊空間的可能性。

首先，算力增長的內在邏輯在於模型邊界的階梯式突破與應用場景的不斷演進。在人工智能發展的浪潮中，底層模型的邊界正逐漸顯現。儘管近幾年大模型的規模持續擴張，無論是文本生成、圖像理解，還是跨模態能力的拓展，底層模型的發展始終存在物理和理論上的邊界。這些邊界不僅源於算力和資料的限制，更涉及認知能力、泛化性、安全性等多方面的挑戰。

算力增長 需依靠場景應用演進

算力的增長並非簡單的線性積累，而是階梯式突破邊界，並推動其在現實場景中的應用落地。每一階段算力的提升，都會伴隨着底層模型能力的躍升，同時也意味着上一階段模型的邊界被突破，催生出更廣泛的應用場景。大規模算力的投入使得長文本生成、邏輯推理、多輪對話成為可能。然而，算力需求的持續增長，並不能僅依賴於底層模型參數規模的無序擴張，而需要建立在應用場景的開發之上。一方面，應用場景演進的軟性需求在於同質性場景的挖掘。這些場景不僅有較高的算力需求，同時也能夠大規模複用已有的模型能力，從而提高算力投資的回報率。

效能提升 對算力需求卻未必下降

算力市場的現實困境在於需求彈性的非對稱性。從實際市場表現來看，算力需求的價格彈性呈現出顯著的非對稱性，不同市場主體的反應存在較大分化。首先，模型參數數量並不能無約束地擴張，同時DeepSeek的發展也表明，在提升模型性能方面，參數數量的增加並非唯一途徑。通過引入創新的架構和訓練方法，DeepSeek實現了高效的計算和卓越的性能。其次，對於普通企業和個人開發者而言，算力需求的增長受到諸多限制。一是資料治理的範式困境。AI模型的訓練依賴於大量高品質資料，而資料獲取的成本和合規風險在許多行業都極為嚴峻。二是技術躍遷的生態壁壘。並非所有企業都具備深度學習的專業能力，許多中小企業難以建立高效的AI開發流程，即便算力成本下降，也無法有效利用這些資源。三是創新周期的效益拐點。AI模型的參數規模達到一定閾值後，算力投入的邊際收益遞減。

因此，在未來的算力革命中，技術創新的重心可能不再是單純擴展計算能力，而是提升算力利用效率。需求彈性也將從「野蠻擴張」步入「理性收斂」的新階段，算力市場的發展邏輯或將發生深刻變革。